HäsiýetHäsiýet

Distil-Whisper large-v3

Free.ai (self-hosted) · stt · ~500 _Gün minute

Bir audio ýa-da video faýly goýber ýa-da URL'i şuňa golaý goý

~500 _Gün minute

Distil-Whisper large-v3 a sözden metine model HuggingFace tarapyndan bina edildi. Real-time transcription, large-volume batch STT.-de iň güýçli Free.ai GPUs üstünde öz-özüne-hosting — siziň gündelik token pool (500 tokens minutda) garşy azat işleýär. MIT astynda çykaryldy - Free.ai astynda söwda üçin peýdalanyp bilner.

API arkaly ullan

OpenAI-gabat gelýän REST API. Alyçany döret we bu mody sekundlarda çagyr.

curl -X POST https://api.free.ai/v1/stt/ \
  -H "Authorization: Bearer sk-free-..." \
  -H "Content-Type: application/json" \
  -d '{"model":"distil-whisper-large-v3","audio_url":"https://..."}'
Sened API Ady

Miweler

ElevenLabs STT
Fal Speech-to-Text
Wizper (Whisper v3)
Ehli modyllar →

Köp soralýan soraglar

Distil-Whisper large-v3 sözlenen sesleri metinlere geçirýär. Bir MP3, WAV, M4A ýa-da wideo faýly ýükle we Distil-Whisper large-v3 doly geçirmäni we SRT/VTT subtitleleri wagt möhürleri bilen gaýtarýar.

Distil-Whisper large-v3 handles dozens of languages - Whisper-family models cover 90+, others vary. Pick "auto-detect" or specify the language for highest accuracy.

Söz hatalary 5-10% arassa ingliz sesde, 10-20% gürleşikli ýa aksentli sesde. Aynı binagärlikden büyük çeşmeler çetin hallerde has gowy işleýär - ses çirkin bolsa ulysyny saýla.

Eý - her bir segment başla/sony wagt möhürlerini içer. SRT ýa VTT olarak eksport et we wagt maplary wideoňyza dogrydan goş.

Distil-Whisper large-v3 öz GPUs-da siziň gündelik azat pool-yňyza garşy öňden işleýär; $5 → 200,000 tölegli tokeni ondan soň. Takmynan ~500 tokeni minutda.

MP3, WAV, M4A, FLAC, OGG, plus video (MP4, MOV, WebM) - biz sesleri çykarýarys. Bir ýükleme üçin iň köp 500 MB. Uly faýllar? /audio/cut/ bilen böle ýa-da /v1/stt/batch/ ullan.

Sesçi diaryzasiýasy bir tapawutlanan geçişdir — /transcribe/-de "diarize"-i çalşyň. Distil-Whisper large-v3 transkripsiýany dolandyrýar; diaryzasiýa her bir segmenti Sesçi 1 / Sesçi 2 / we ş.m. bilen etiketleýär

Eý - /batch/ ses faýllarynyň haltany kabul edýär. Her bir transkript /account/?tab=history'da orjinal faýl ad bilen galýar. Haltany-bakja saklamak üçin API'den ullan.

Eý - POST audiony /v1/stt/transcribe/ model="Distil-Whisper large-v3" bilen. JSON metni + segmentler + söz derejeli wagt möhürleri bilen gaýtarýar. /api/ doly salgy bar.

Özi-hosting modeller sesleri GPU'larda saklaýar; premium DPA bilen geçýär. Sesler paýlaşma äpişgesinden soň ýok edilýär (24 sag anon, 7 gün girilipdir). Biz seniň girişleriňi öwrenmeýäris.

Eý - Free.ai transkripleriň söwdaly ulanmak hukugyny berýär. Siz ýüklän ses haklaryny gerek görýäňiz (öz ýazgyňyz, lisenziyaly material ýa-da kabul edilen mazmun).

REAL-time factor is approximately 0.05-0.2× - a 60-minute podcast transcribes in 3-12 minutes. Premium models often finish faster. Use the queue button to close the tab.

Free.ai-i söý? Dostlaryňa aýt!

Bu sahypany bahala